Principes fondamentaux de l’apprentissage automatique pour les neurologues

Abstract

Bien que théorisées et développées depuis le XX^e siècle, ce n’est qu’en 2010 que l’on a vu une véritable démocratisation des logiciels d’apprentissage automatique, notamment dans le domaine de la santé. L’intelligence artificielle (IA) est un terme général qui englobe toutes les techniques utilisées pour effectuer un raisonnement ou des tâches traditionnellement réservées aux êtres humains. Les tâches permises par l’IA sont très variées, telles que la classification, la détection, la génération de contenu à partir de bases de données, etc., reviennent en pratique dans tous les cas à des tâches de classification automatique. L’apprentissage automatique est un sous-domaine de l’IA qui fait référence aux programmes qui calculent des règles de décision à partir de données empiriques annotées par des experts et qui optimisent (selon des indicateurs choisis par les concepteurs aussi appelé fonction de coût) la performance en termes de prédiction de résultats confrontés aux annotations des experts, par des essais itératifs prenant en compte les essais déjà réalisés. Ces programmes requièrent donc des données annotées ou classifiées (par exemple des images avec des annotations, comme la présence/absence d’une tumeur) et ont révélé leur potentiel avec des données complexes (dont le nombre de paramètres peut dépasser les capacités de l’esprit humain et/ou non perceptibles par l’humain) et structurées telles que des images, des vidéos, du texte, de la parole, etc. Parmi les méthodes les plus populaires, on peut citer les réseaux neuronaux, les « Support Vector Machines » ou les méthodes d’ensemble (bagging, boosting, random forests).

Although machine learning has been theorized and developed since the 20th century, it has only been since 2010 that we have seen a real democratization of machine learning software, particularly in the field of health. Artificial intelligence (AI) is a general term that encompasses all the techniques used to perform reasoning or tasks traditionally reserved for human beings. AI can enable a wide range of tasks, for example classification, detection, generation of content from databases, etc. In practice, everything comes down to automatic classification tasks. Machine learning is a sub-field of AI that refers to programs that calculate decision rules from empirical data annotated by experts and optimize (according to indicators chosen by the designers, also known as the cost function) performance in terms of predicting results based on the experts’ annotations, by iterative testing taking into account tests carried out previously. These programs therefore require annotated or classified data (e.g. images with annotations, such as the presence/absence of a tumor) and have revealed their potential with complex data (where the number of parameters may exceed the capabilities of the human mind and/or may not be perceptible by humans) and structured data such as images, videos, text, speech, etc. The most popular methods include neural networks, Support Vector Machines and ensemble methods (bagging, boosting, random forests).